dataset

Contexto público de negociação de BTC desde 2020.

M2DGR: um conjunto de dados multimodal e multiscenário para robôs terrestres (RA-L2021 & ICRA2022)

Conjunto de dados de diálogo em chinês ajustado manualmente e código de ajuste fino para chatglm.

TorchXRayVision: Uma biblioteca de modelos e datasets de radiografias de tórax. Classificadores, segmentação e autoencoders.

Dados de séries temporais de casos do novo coronavírus de 2019

O maior conjunto de dados de domínios da Internet do mundo.

Uma lista de conjuntos de dados do Twitter e recursos relacionados.

Uma lista curada de datasets de jogos e ferramentas para inteligência artificial em jogos.

Apresentamos o conjunto de dados Audio Logical Reasoning (ALR), composto por 6.446 amostras anotadas de texto-áudio projetadas especificamente para tarefas de raciocínio complexo. Com base neste recurso, propomos o SoundMind, um algoritmo de aprendizado por reforço (RL) baseado em regras, adaptado para dotar modelos de linguagem de áudio (ALMs) com habilidades profundas de raciocínio bimodal.

Corpus de texto da indústria de seguros, chatbot

Conjunto de dados de imagens para reconhecimento de gestos com as mãos

Redes de transporte para pesquisa

MMSA é um framework unificado para Análise de Sentimento Multimodal.

A biblioteca Python para nomes.

Um recurso central e aberto para dados e ferramentas relacionados ao raciocínio em cadeia de pensamento (chain-of-thought) em grandes modelos de linguagem. Desenvolvido pelo grupo de pesquisa Samwald: https://samwald.info/

Uma lista pública e curada de recursos para biomecânica e análise de movimento humano: conjuntos de dados, ferramentas de processamento, software de simulação, vídeos educacionais, palestras, etc.

Estatísticas de linguagens do GitHub

Bindings de linguagem e extensões em C# e F# para o Apache Spark

KDD 2019: Detecção robusta de anomalias para séries temporais multivariadas através de redes neurais recorrentes estocásticas

Modelos SOTA de segmentação semântica em PyTorch

Leitor/gravador TFRecord autônomo com carregadores de dados do PyTorch

API SemanticKITTI para visualização de conjuntos de dados, processamento de dados e avaliação de resultados.

Gere sintéticos de alta qualidade, treine, meça e avalie em um único pipeline

[ICLR 2025] Síntese de dados de alinhamento do zero, solicitando LLMs alinhados com nada. Seu pipeline de geração de dados sintéticos eficiente e de alta qualidade!

[Destaque NeurIPS 2025] OpenCUA: Fundações abertas para agentes de uso de computador

🍃 MINT-1T: Um conjunto de dados multimodal intercalado de um trilhão de tokens.

Grafo de Conhecimento de Medicina de Precisão (PrimeKG)

O Programa de Dados Abertos da National Gallery of Art.

Funções auxiliares para criar datasets COCO

Total Text Dataset. Consiste em 1555 imagens com mais de 3 orientações de texto diferentes: horizontal, multi-orientado e curvo, único em seu tipo.